A New Non-Negative Matrix Factorization Approach for Blind Source Separation of Cardiovascular and Respiratory Sound Based on the Periodicity of Heart and Lung Function

Resumo Técnico: Uma Nova Abordagem de Fatoração de Matriz Não Negativa para Separação Cega de Fontes de Sons Cardiovasculares e Respiratórios

Declaração do Problema
A auscultação cardíaca e respiratória fornece informações diagnósticas críticas para doenças cardiovasculares e respiratórias. No entanto, a utilidade clínica da auscultação é frequentemente prejudicada pelo desafio do ruído e da interferência de sinais. Os sons cardíacos (cardíacos) e os sons pulmonares (respiratórios) frequentemente se sobrepõem no domínio da frequência e interagem fisicamente, tornando difícil extrair sinais acústicos puros de uma única gravação. Embora existam técnicas de Separação Cega de Fontes (SCF), métodos padrão como a Análise de Componentes Independentes (ICA) frequentemente exigem conhecimento prévio sobre as estatísticas da fonte (média e variância), e as aplicações existentes de Fatoração de Matriz Não Negativa (FMNN) para bioacústica têm lutado contra a contaminação por ruído e a separação de sinais de sinal misto. Além disso, muitas abordagens existentes dependem de segmentação manual ou de conhecimento prévio específico dos períodos do sinal, limitando sua automação e robustez.

Metodologia
Os autores propõem uma abordagem FMNN modificada projetada para separar cegamente sons cardíacos e pulmonares gravados por um estetoscópio digital. A metodologia integra vários componentes técnicos distintos:

1. Pré-processamento: Os sinais de entrada passam por filtragem passa-banda (50–250 Hz para coração, 60–300 Hz para pulmão) e normalização para mitigar o ruído e padronizar a amplitude.
2. FMNN Afim Modificada: O algoritmo central utiliza uma estrutura de $\alpha$-FMNN minimizando a divergência-$\alpha$. Para abordar a limitação da FMNN padrão na recuperação de sinais de sinal misto, os autores introduzem um bloco de "escala e deslocamento". Esta modificação inclui um termo de deslocamento ajustável ($\lambda_2$) para garantir a não negatividade e fatores de escala distintos ($\lambda_1$) para os blocos de detecção cardíaca e pulmonar. Isso permite que o algoritmo lide com a natureza de sinal misto dos dados acústicos brutos, aproveitando ao mesmo tempo priores biológicos (por exemplo, sons pulmonares serem mais lentos e dominantes que sons cardíacos).
3. Estrutura Paralela Multicamada: Diferentemente da FMNN de módulo único tradicional, o sistema proposto emprega uma estrutura paralela com dois módulos FMNN separados. Um módulo é ajustado para extrair sons cardíacos e o outro para extrair sons pulmonares. Esta estrutura utiliza uma abordagem multicamada (hierárquica) para reduzir o risco de convergência para mínimos locais e fornece graus de liberdade adicionais para ajustar parâmetros (como o número de camadas e fatores de escala) independentemente para cada tipo de fonte.
4. Seleção Baseada em Periodicidade: Uma inovação chave é a exploração da natureza periódica da função cardíaca e pulmonar sem exigir conhecimento prévio dos valores específicos do período. Após os módulos paralelos gerarem sinais candidatos, o sistema estima o período de cada saída usando a função de autocorrelação. A saída do módulo com o período menor é selecionada como o som cardíaco, enquanto a outra é designada como o som pulmonar.

Principais Contribuições
O artigo identifica três contribuições primárias:

• Estrutura Algorítmica Novel: A introdução de uma arquitetura FMNN paralela e multicamada que permite o ajuste independente de parâmetros para extração cardíaca e pulmonar, melhorando a precisão da separação em comparação com abordagens de módulo único.
• Tratamento de Sinais de Sinal Misto: A adaptação do algoritmo FMNN afim com um bloco de escala e deslocamento, permitindo que o método processe efetivamente misturas bioacústicas de sinal misto.
• Separação Impulsionada por Periodicidade: A utilização da periodicidade intrínseca dos sons cardíacos e pulmonares como critério de seleção para identificação de fontes. Esta abordagem melhora a precisão sem exigir segmentação manual ou conhecimento prévio preciso dos períodos do sinal, uma característica não aplicada anteriormente em separação bioacústica baseada em FMNN, segundo o conhecimento dos autores.

Resultados Experimentais
O método foi avaliado em um conjunto de dados sintetizado compreendendo 100 casos, onde cada caso consistia em duas misturas de gravações reais de coração e pulmão. O desempenho foi medido usando a Razão Sinal-Distorção (SDR), a Razão Sinal-Interferência (SIR) e a Razão Sinal-Artefatos (SAR).

• Otimização de Parâmetros: Através de 100 experimentos, os parâmetros ótimos foram identificados como $\alpha=0.5$, com o bloco de detecção cardíaca usando 2 camadas e o bloco de detecção pulmonar usando 1 camada.
• Métricas de Desempenho: O método proposto alcançou uma SIR média de 30,9 dB, uma SAR de 17,1 dB e uma SDR de 21,2 dB.
• Análise Comparativa: Quando comparado a métodos recentes baseados em FMNN (Tsai, Xie, Wang e Candas), a abordagem proposta demonstrou desempenho superior, particularmente na SIR, que os autores observam ser a métrica mais relevante para fins clínicos. Os resultados mostraram melhorias significativas sobre os métodos existentes, que frequentemente produziram valores de SIR mais baixos (por exemplo, 10,4 dB a 24,1 dB em estudos comparativos).

Significado e Alegações
O artigo afirma que o método proposto oferece uma solução superior para a separação cega de fontes de sons cardíacos e pulmonares, combinando processamento paralelo, estruturas multicamada e exploração de periodicidade. Os autores enfatizam que o método alcança alta precisão sem a necessidade de intervenção manual ou conhecimento prévio extenso dos períodos do sinal. Embora os resultados sejam baseados em misturas sintetizadas de medições reais, os autores afirmam que o método demonstra "precisão superior de separação de fontes" em comparação com outros métodos atuais. Eles concluem que a abordagem é promissora para aplicação clínica, mas observam que testes adicionais em dados clínicos reais são necessários em estudos futuros. O artigo mantém um tom modesto quanto às implicações futuras, focando estritamente nas melhorias demonstradas nas métricas de separação (SDR, SIR, SAR) sobre as técnicas existentes.